[hihoCoder 1014][Trie 树]Trie

题目链接: Problem 1004 | Trie


题意:给n个单词,m次查询,问以某个字符串为前缀的单词有多少个.


题解:写个Trie树水一下,第一写,所以才找简单的搞…


细节处理:

  1. 数据范围:100k单词,每个单词长度不过10,字典字母表不超过26
  2. 单词可能重复,在实现中尽可能避免增加标记,以节省内存.
  3. 单词字母可能不是英文字母(题中指明"火星文单词"),不知道测试数据有没有这么弄,总之根据题意来是允许非英文字母的出现的.当然应该不存在空格符,否则无法分别不同单词间的连接.
  4. 询问的前缀可能原字典中不存在,这点题目的测试数据已经提示.

代码:

#include <cstdio>
#include <cstring>
#include <vector>
#include <map>
#include <algorithm>
using namespace std;

const int LEN = 26;
map<char, int> mmap;
int dic;

struct node {
    int sum;
    int a[LEN];
    node* son[LEN];
    void clear() {
        memset(a, 0, sizeof(a));
        memset(son, 0, sizeof(son));
        sum = 0;
    }
    node() {
        clear();
    }
};

void clear(node* T) {
    if (T == NULL) return;
    for (int i = 0; i < LEN; ++i) {
        if (T->son[i]) {
            clear(T->son[i]);
        }
    }
    T->clear();
}

static char word[LEN];
static int len;

void add(node* &T, char idx) {
    //printf("add %c,%d\n", word[idx], mmap[word[idx]]);
    if (T == NULL) {
        T = new node();
    }
    if (idx < len) {
        add(T->son[mmap[word[idx]]], idx + 1);
    }
    ++(T->sum);
}

int query(node* &T, char idx) {
    //printf("visit %d\n", idx);
    if (idx == len) {
        return T->sum;
    } else {
        //return query(T->son[word[idx]], ++idx);
        char to_go = mmap.count(word[idx]) ? mmap[word[idx]] : -1;
        if ((~to_go) && T->son[to_go]) {
            return query(T->son[to_go], ++idx);
        } else {
            return 0;
        }
    }
}

void rm(node* &T) {
    if (T) {
        for (int i = 0; i < dic; ++i) {
            rm(T->son[i]);
        }
        delete T;
        T = NULL;
    }
}

int id = 0;
char tmp[LEN];
void visit(node* &T, char name[], int c) {
    if (T == NULL) return;
    bool sc = true;
    for (int i = 0; i < dic; ++i) {
        if (T->son[i]) {
            sc = false;
            name[c] = tmp[i];
            visit(T->son[i], name, c + 1);
        }
    }
    if (sc) {
        name[c] = '\0';
        puts(name);
    }
}

int main() {
    node* root = NULL;
    int n, m;
    while (~scanf(" %d", &n)) {
        mmap.clear();
        dic = 0;
        while (n--) {
            scanf(" %s", word);
            len = strlen(word);
            for (int j = 0; j < len; ++j) {
                if (mmap.count(word[j]) == 0) {
                    mmap[word[j]] = dic++;
                    //tmp[dic - 1] = word[j];
                }
            }
            add(root, 0);
            //char name[LEN];
            //int c = 0;
            //visit(root, name, c);
        }
        scanf(" %d", &m);
        while (m--) {
            scanf(" %s", word);
            len = strlen(word);
            printf("%d\n", query(root, 0));
        }
        rm(root);
    }

    return 0;
}

题目不难,但是写链表的话调试起来就有点吃力,费了不少时间…

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值